低调上市的滴滴，近期陷入了巨大的风暴中，但无可否认的是，凭借数据优势，滴滴在自动驾驶，特别是L4级别的Robotaxi已是遥遥领先，这里借助滴滴CTO韦峻青的演讲，为读者分享滴滴L4的自动驾驶平台，能让我们对其发展有一个全面的认识。

自动驾驶量产的两大挑战

第一是长尾问题，当前自动驾驶底层架构和大部分的技术问题已被解决，但依然存在1%-5%的长尾问题，它们遍布于零碎的场景、特殊极端情况和永远无法预测的人类行为中，还需要付出99%甚至更多的精力去解决。

第二是算法模型的检测精度，根据PT的公开数据，在距离比较远或遮挡比较多的场景下，当前传感器只能做到75-80%检测精度，存在大量的误检和漏检，在此检测精度下，如何做到准确的判断和安全的驾驶又是一大挑战。

从有安全员到无安全员，之间还有很长的路要走，面对以上挑战，滴滴主要开展了两个层面的工作。

软件：通过场景库提升算法

从AI的角度，最核心的是长尾场景库。

滴滴通过实际道路路跑数据，提炼基础素材，进行三维重建，用场景编辑器和基于AI的泛化功能，通过仿真模拟，将其加入到验证自动驾驶算法的工具链里。

滴滴逐步积累起针对于具体场景详细的仿真列表，包含了实际路况进行泛化的上十万的案例，通过这些案列，可以对AI算法进行极大的优化。

这一层面的本质是算法人才的竞争，也是方法论数据的竞争。

硬件：升级、安全层、人车交互

在硬件层面，滴滴做了三个方面的工作。

第一是硬件升级，具体指的是传感器和计算平台的升级。

首先是传感器，主要关注的指标是分辨率，即在同样的距离看到更多的点，看到的东西多了，相应算法的错误率就会下降。

对于激光雷达，滴滴采用了128线，分辨率0.1×0.1的产品，相比于目前大部分公司提升了6倍（150米外的车，看到从5个像素点到30个）；此外，在近距离进行了补盲，即使是一个砖头或者一个球在车下面5厘米的距离也可以被检测到。

对于摄像头，滴滴采用800万像素，12个摄像头360度全覆盖，在非常重要的角度（如前向180）采用更窄角度的镜头，同时还能识别人脸的朝向和手势，摄像头使用SDR技术，在逆光、夜间能清晰看到图像。

所有的摄像头、激光雷达都有喷水方案用于清洁，滴滴也在研究对于摄像头持续性的一直喷气，使其表面形成一层膜，使得水滴不容易落上去。

其次是计算平台，主要关注的指标是算力。滴滴采用了英伟达的平台，GPU算力700 TOPS，同时对CPU的算力也提高了2-3倍，支持每秒40Gb传感器数据接入，采用水冷方案，保证自动驾驶Robotaxi的算力。

滴滴认为，随着L3级别以上自动驾驶的广泛部署，以上硬件的性能，会有量级上的上升，同时成本会有量级的下降，就具备了量产的可能性。

第二是安全层，滴滴参考航空系统的安全设计，设计了以下漏斗模型，包括了功能安全，对应系统硬件和软件故障；也包括了跟场景强相关的预期功能安全，对应ODD越界或算法表现不足；最后还包括了网络攻击。

滴滴在主系统的感知、决策、控制执行层面均设置了冗余，当摄像头因故障或者被遮挡，一旦系统功能受到影响，就会主动降级。

之后Fallback系统会进行靠边停车或减速；再往下一层，执行机构上也有冗余，保证在绝大部分场景，可以安全的把车停下来；在停下来之后，有远程协助和远程控制帮助车脱困的人工冗余托底。

第三是人车交互，主要指的是车外交互。

通过交互屏和接驾灯的方式，提示车外用户，还可以告诉周边驾驶员和行人自身的行驶状态，降低自动驾驶融入人类驾驶为主车流的难度。

滴滴在自动驾驶最大的优势是运营数据，可以帮助回答在什么地方部署自动驾驶是安全的，在什么地方部署是有商业价值的，这两个Robotaxi最重要的问题。

选择最适合自动驾驶的区域和路线，配合着自动驾驶和人工接驾的混合派单模式，最终推动L4级别自动驾驶的落地。

据悉，滴滴有40辆车在测试区域运行超过530公里，测试时间每天12.5小时。

汽车人参考小结

针对于高级别自动驾驶平台的进展，各家的技术路线其实都大同小异，而滴滴无疑走在了技术的前列。

将其掰开了揉碎了，自动驾驶的框架还是能很清晰地呈现出来，下一步就是找准某一个细分领域深耕，AI芯片、激光雷达、感知算法等核心软硬件，都是很好的入手点。

本文为汽车人参考第343篇原创内容，如果您觉得文章不错，“推荐和关注”是对我最大的支持。